同步定位与制图(SLAM)是计算机导航领域的关键技术之一。它解决的是机器人在未知环境中的定位与建图问题,是机器人自主完成工作任务的前提条件,具有重要研究价值与应用前景。为提高单目视觉SLAM系统计算效率和鲁棒性,本文采用SLAM领域滤波和优化两种主流处理方法,搭建了基于标签的扩展卡尔曼SLAM系统及双视角图像信息融合的SLAM系统。基于标签的扩展卡尔曼SLAM系统将储存有编号信息的快速响应二维码作为标签,利用扩展卡尔曼滤波算法处理系统后端状态估计。扩展卡尔曼滤波器的观测量为标签与车辆间距离、标签与车辆航向之间的夹角,控制量为车辆两后轮行驶距离。此系统能够有效修正航位推算累积误差,提高定位精度,但计算效率随标签数量增加大大降低。针对这一问题,本文提出了一种标签筛选策略,即每隔一段时间对目前维护的标签进行筛选,保留当前观测范围内标签和观测范围外的最优标签。经仿真实验证实,这种标签筛选策略仅花费原有10%的计算时间,但几乎不影响EKF-SLAM的位姿估计精度,是一种提升系统实时性的有效方案。双视角图像信息融合的SLAM系统是对经典单目视觉SLAM系统的扩展。两摄像头相比单个摄像头能够在相同时间段内获得不同视角的环境特征,这使得双视角图像信息融合的SLAM系统具有更好的鲁棒性。本文利用两摄像头之间的固连关系,将两摄像头位姿更新、位姿跟踪及地图优化问题转化为单个摄像头的处理方式。实际跑车实验表明双视角图像信息融合的SLAM系统能够在室外动态环境下实现较为精确的定位。